Characteristics Analysis of Bus Stop Failure Using Automatic Vehicle Location Data
Notice bibliographique
Résumé
Queue forming behind a bus stop on an urban street is common and a traffic bottleneck usually occurs around the bus stop area. The bus stop failure means arriving buses cannot move into the bus stop due to limited capacity but have to wait for available loading areas. It is related with the transit operation level. Traditionally, the failure rate (FR), defined as the percentage of buses that arrives at the bus stop to find all loading areas occupied, is adopted in bus capacity analysis. However, the concept of FR is unable to quantitatively analyze failure characteristics in terms of its dispersion and uncertainty over time. Therefore, in this paper, we propose a new index called failure duration rate (FDR) to evaluate the bus stop failure, which can characterize waiting time for traffic delay calculation and capacity drop estimation. The automatic vehicle location data at eight bus stops in Wujiang District Suzhou, China, over 56 working days, are used to analyze the temporal characteristics of FR and FDR. We next examined the failed service duration characteristics during peak hours at the eight bus stops. Based on these characteristics analyses, we then proposed a Distribution Fitting and Cumulative Distribution Correlation (DF-CDC) approach to explore the correlation between FDR and FR at the same cumulative distribution function levels and validated the bus stop failure performance using the cross-validation method. The analysis results revealed that (i) FR fluctuates more significant than FDR, (ii) FDR is a more robust index than FR in describing the traffic characteristics incurred by bus stop failures, and (iii) FDR performs better in failure characteristics analysis than FR.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».